現代のIoTアプリケーションにおいて、計算リソースが限られたデバイス上での機械学習モデルの展開が重要な要素となっています。本研究では、軽量な機械学習モデルへの需要に応えるために、ブースティング決定木の圧縮手法を提案しています。この方法では、トレーニング中に特徴や閾値の再利用を奨励することで、コンパクトなブースティング決定木のアンサンブルを訓練する技術を提供しています。実験的評価では、軽量なモデルと同じ性能を維持しながら、圧縮比が4-16倍達成できることを示しました。この成果により、IoTデバイスは外部エネルギー供給や恒常的な通信なしで独立して動作可能になり、最小限の計算資源とエネルギーで自律的に機能することができます。この能力は、遠隔監視やエッジ分析、孤立した環境や電力制限のある場所でのリアルタイム決定-makingに幅広いIoTアプリケーションを開く可能性を持っています。